CN113112039B - 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 - Google Patents
基于时频记忆递归神经网络的主动配电系统初期故障识别方法 Download PDFInfo
- Publication number
- CN113112039B CN113112039B CN202110395954.7A CN202110395954A CN113112039B CN 113112039 B CN113112039 B CN 113112039B CN 202110395954 A CN202110395954 A CN 202110395954A CN 113112039 B CN113112039 B CN 113112039B
- Authority
- CN
- China
- Prior art keywords
- time
- representing
- formula
- input
- time step
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 229910052731 fluorine Inorganic materials 0.000 claims description 3
- 125000001153 fluoro group Chemical group F* 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时频记忆递归神经网络的主动配电系统初期故障识别方法，包括：1、对采集到的电流和电压数据进行预处理；2、对预处理后不同类别的电流和电压数据进行分类；3、设计时频记忆递归神经网络核心结构；4、构建多层时频记忆递归神经网络；5、基于时频记忆递归神经网络得到测试集样本的输出结果。本发明通过时频记忆递归神经网络来提供时间序列的细粒度分析，可以捕获数据在时域和频域上的特征，以提高初期故障的识别精度，该方法需要较少的数据周期即可完成检测，满足了准确化快速化的实际需求。
Description
技术领域
本发明涉及小波变换技术，深度学习技术，具体涉及一基于时频记忆递归神经网络进行初期故障识别方法，适用于主动配电系统中对初期故障进行实时检测。
背景技术
在设备发生故障之前，一些预示性的异常信号被称为初期故障。由于初期故障的发生具有不频繁和持续时间短的特性，在实际应用中只可采集到较少的数据样本。主动配电系统中的初期故障可能导致灾难性的问题。检测初期故障有助于主动故障管理和预测性维护，使有缺陷的装置可以提前进行更换，对有效提高供电可靠性具有重要意义。
初期故障可以采用传统的人工学习的方法进行检测，该方法包括人工水平波形分解和分层概率学习两个步骤。首先通过选取适当的小波来进行波形分解，将数据波形分为形状和残差两个部分并提取它们的特征；其次，将提取到的特征进行分层概率学习，以推断出数据所述的类型。但是人为级波形分解可能会产生误差，造成部分特征的丢失，降低检测水平。
深度学习的兴起引起了人们的广泛关注，将神经网络应用到故障检测中取得了良好的识别效果。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，是深度学习算法之一。递归神经网络可以引入门控机制以学习长距离依赖，它具有可变的拓扑结构且权重共享，被用于包含结构关系的机器学习任务，在时序数据分类领域有受到关注。但是深度学习的方法需要大量的数据集来进行训练网络，如何进行数据增强是一个问题。
华南理工大学电力学院徐子弘等研究了基于AE和GRU神经网络的电缆早期故障检测和识别方法(广东电力,2020,33(09):27-34.)，通过AE对电缆单端采集的不同故障和扰动源的电流电压信号进行特征提取，以提取的特征向量作为GRU神经网络的输入，构建故障分类器。该方法能从多种扰动信号中检测和识别电缆早期故障，但是该方法并没有对输入数据进行预处理，在实际过程中效果可能会受到噪声等干扰的影响。
山东大学控制科学与工程学院黄旭提出了一种新的基于改进型递归神经网络的适用于无线传感器网络WSN的故障检测方法(计算机工程与科学,2015,37(04):711-718.)，该方法运用改进的递归神经网络为无线传感器网络的节点、节点的动态特性以及节点间的关系建立相关模型，对无线传感器网络节点进行识别和故障检测。但是该方法的精度与置信因子相关，在实际中应用存在问题，并且并不适用于检测设备的初期故障。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于时频记忆递归神经网络的主动配电系统初期故障识别方法，以期能通过递归神经网络捕获时序数据在时域和频域上的特征，从而提高初期故障的识别精度，并能满足准确化快速化的识别需求。
本发明为解决技术问题采用如下技术方案：
本发明一种基于时频记忆递归神经网络的主动配电系统初期故障识别方法的特点是按如下步骤进行：
步骤1、采集三相电流和三相电压数据；
步骤2、对采集到的三相电流和三相电压数据进行预处理，包括数据增强和归一化处理；
步骤3、对所述预处理后的三相电流和三相电压数据进行分类，分为故障数据集合FF和正常数据集合F，所述故障数据集合FF中包含A类故障数据，1≤a≤A；
步骤4、对所述故障数据集合FF和正常数据集合F进行人工标注，获得带有标签的数据集合，将带有标签的数据集合内数据打乱顺序后，分为测试集合T1和训练集合T2；
步骤5、构建时频记忆递归层的核心结构；
所述核心结构包含时域遗忘门、频域遗忘门、状态遗忘门、输入门和输出门；
步骤6、构建多层时频记忆递归神经网络；
所述多层时频记忆递归神经网络包括：时频记忆递归层、节点丢弃层和全连接层；
步骤7、将训练集合T2输入所述多层时频记忆递归神经网络进行训练，得到训练好的初期故障识别模型，从而以所述初期故障识别模型对所述测试集合T1进行故障识别。
本发明所述的基于时频记忆递归神经网络的主动配电系统初期故障识别方法的也在于，所述步骤5中是利用式(1)-式(3)构建所述时域遗忘门、频域遗忘门、状态遗忘门：
式(1)-式(3)中，ft tim表示第t个时间步长的时域遗忘门的输出；ft fre第t个时间步长的频域遗忘门的输出；ft ste表示第t个时间步长的状态遗忘门的输出；sigmoid(·)表示将变量映射到0和1之间的激活函数；xt表示第t个时间步长的输入值；ht-1表示第t-1个时间步长的隐藏状态值；Wtim和Utim分别表示输入值xt和隐藏状态值ht-1在时域上的权重矩阵，btim表示时域上的偏差向量，
表示J维的实数向量，Wfre和Ufre分别表示输入值xt和隐藏状态值ht-1在频域上的权重矩阵，bfre表示频域上的偏差向量，
表示K维的实数向量，Wste和Uste分别表示输入值xt和隐藏状态值ht-1在状态上的权重矩阵，bste表示状态上的偏差向量，
表示D维的实数向量，1≤t≤T；T表示总的时间步长；当t＝1时，隐藏状态值ht-1为零；
利用式(4)得到第t个时间步长三个遗忘门的输出集合Ft：
式(4)中，
表示外积运算；
利用式(5)-式(7)构建所述输入门：
pt＝sigmoid(Wpxt+Upht-1+bp) (5)
gt＝tanh(Wgxt+Ught-1+bg) (6)
式(5)-式(7)中，pt表示所述输入门在第t个时间步长的输入信息；gt表示所述输入门在第t个时间步长的调制信息：
为所述输入门在第t个时间步长的输出；Wp和Up分别表示所述输入门的输入值xt和隐藏状态值ht-1在输入时的权重矩阵，bp表示所述输入的偏差向量；Wg和Ug分别表示所述输入门的输入值xt和隐藏状态值ht-1在调制时的权重矩阵，bg表示调制的偏差向量；
表示逐元素相乘运算；tanh(·)表示将小于0的变量变成0，大于0的变量保持不变的激活函数。
所述步骤5中是利用式(8)-式(13)构建所述输入门和输出门：
利用式(8)所示的Morlet小波变换来对所述输入门的输出
进行时频域分解，得到第t个时间步长的输出在第j级时域、第k级频域上的小波系数wtj,k：
式(8)中，i表示虚数单位，w表示Morlet小波的中心频率，exp(·)表示指数运算；
利用式(9)得到第t个时间步长的内存状态St：
式(9)中，St-1表示第t-1个时间步长的内存状态；当t＝1时，St-1为零；
表示D×J×K维实数矩阵；
利用式(10)得到第t个时间步长的内存状态St的幅值At：
式(10)中，Re和Im分别表示取实部和取虚部的函数；
利用式(11)得到第t个时间步长的细胞状态ct：
式(11)中，Wt j，k表示第t个时间步长在第j级时域、第k级频域上细胞状态的权重矩阵，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的幅值，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的偏差向量；
利用式(12)得到第t个时间步长的输入信息在输出门中的输出ot：
ot＝sigmoid(Woxt+Uoht-1+bo) (12)
式(12)中，Wo和Uo分别表示输出门的输入值xt和隐藏状态值ht-1在输出时的权重矩阵，bo表示输出门的偏差向量；
利用式(13)得到第t个时间步长的隐藏状态值ht：
与已有技术相比，本发明的有益效果体现在：
1、本发明所提出的时频记忆递归神经网络结构，通过加入Morlet小波变换系数，将时频记忆递归神经网络的内存状态分解为多个时域和频域分量，每个时域或频域分量都模拟了输入数据的不同特征，能够更好的对输入数据进行特征提取，提供了对时间序列的细粒度分析；从而达到了高精度的故障识别。
2、本发明方法只需要较少的数据周期即可完成故障检测，从而满足了准确化快速化的识别需求；所提出的网络结构泛化性较强，可以适应更多样性的故障识别，尤其是可以识别数据频率有所变化的故障；
附图说明
图1为本发明时频记忆递层的结构图；
图2为本发明多层时频记忆递归神经网络的层级结构图。
具体实施方式
本实施例中，一种基于时频记忆递归神经网络的主动配电系统初期故障识别方法是按如下步骤进行：
步骤1、采集三相电流和三相电压数据；
步骤2、对采集到的三相电流和三相电压数据进行预处理，包括数据增强和归一化处理；
所采集到的三相电流数据为Ia、Ib、Ic，三相电压数据为Va、Vb、Vc，将三相数据轮换，得到[Ia Ib Ic Va Vb Vc]、[Ia Ic Ib Va Vc Vb]、[Ib Ia Ic Vb Va Vc]、
[Ib Ic Ia Vb Vc Va]、[Ic Ib Ia Vc Vb Va]、[Ic Ia Ib Vc Va Vb]六组数据；本实施例中，通过加长度为164的时间窗口，平移步长为10来对数据进行时序扩展；
并利用式(1)对数据进行归一化操作得到数据x：
x＝(X-Xmin)/(Xmax-Xmin) (1)
式(1)中，X表示原始时序数据；Xmax表示原始时序数据的最大值；Xmin表示原始时序数据的最小值；
步骤3、对预处理后的三相电流和三相电压数据进行分类，分为故障数据集合FF和正常数据集合F，故障数据集合FF中包含A类故障数据，1≤a≤A；
步骤4、对故障数据集合FF和正常数据集合F进行人工标注，获得带有标签的数据集合，将带有标签的数据集合内数据打乱顺序后，分为测试集合T1和训练集合T2；
步骤5、如图1所示，时频记忆递归神经网络的核心结构包括遗忘门、输入门和输出门；图1中，○表示数据向量，□表示数据矩阵，
表示tanh激活函数，
表示sigmoid激活函数，●表示逐元素相乘运算，
表示外积运算；
遗忘门的功能是决定应丢弃或保留哪些信息，步骤5中是利用式(2)-式(4)构建时域遗忘门、频域遗忘门、状态遗忘门：
式(2)-式(4)中，ft tim表示第t个时间步长的时域遗忘门的输出；ft fre第t个时间步长的频域遗忘门的输出；ft ste表示第t个时间步长的状态遗忘门的输出；sigmoid(·)表示将变量映射到0和1之间的激活函数；xt表示第t个时间步长的输入值；ht-1表示第t-1个时间步长的隐藏状态值；Wtim和Utim分别表示输入值xt和隐藏状态值ht-1在时域上的权重矩阵，btim表示时域上的偏差向量，J表示将数据在时域上分解成J维，
表示J维的实数向量，Wfre和Ufre分别表示输入值xt和隐藏状态值ht-1在频域上的权重矩阵，bfre表示频域上的偏差向量，K表示将数据在时域上分解成K维，
表示K维的实数向量，Wste和Uste分别表示输入值xt和隐藏状态值ht-1在状态上的权重矩阵，bste表示状态上的偏差向量，D表示将数据的状态分解成D维向量，
表示D维的实数向量，1≤t≤T；T表示总的时间步长；当t＝1时，隐藏状态值ht-1为零；
利用式(5)得到第t个时间步长三个遗忘门的输出集合Ft：
式(5)中，
表示外积运算；
输入门的功能是输入数据，更新细胞状态，利用式(6)-式(8)构建输入门：
pt＝sigmoid(Wpxt+Upht-1+bp) (6)
gt＝tanh(Wgxt+Ught-1+bg) (7)
式(6)-式(8)中，pt表示输入门在第t个时间步长的输入信息；gt为输入门在第t个时间步长的调制信息：
为输入门在第t个时间步长的输出；Wp和Up分别表示输入门的输入值xt和隐藏状态值ht-1在输入时的权重矩阵，bp表示输入的偏差向量；Wg和Ug分别表示输入门的输入值xt和隐藏状态值ht-1在调制时的权重矩阵，bg表示调制的偏差向量；
表示逐元素相乘运算；tanh(·)表示将小于0的变量变成0，大于0的变量保持不变的激活函数；
输出门的功能是确定下一个隐藏状态的值，隐藏状态包含了先前输入的信息。利用式(9)-式(14)构建输出门：
利用式(9)所示的Morlet小波变换来对输入门的输出
进行时频域分解，得到第t个时间步长的输出在第j级时域、第k级频域上的小波系数wtj,k：
式(9)中，i表示虚数单位，w表示Morlet小波的中心频率，exp(·)表示指数运算；
利用式(10)得到第t个时间步长的内存状态St：
式(10)中，St-1表示第t-1时间步长的内存状态；当t＝1时，St-1为零；
表示D×J×K维实数矩阵；
利用式(11)得到第t个时间步长的内存状态St的幅值At：
式(11)中，Re和Im分别表示取实部和取虚部的函数；
利用式(12)得到第t个时间步长的细胞状态ct：
式(12)中，Wt j,k表示第t个时间步长在第j级时域、第k级频域上细胞状态的权重矩阵，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的幅值，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的偏差向量；
利用式(13)得到第t个时间步长的输入信息在输出门中的输出ot：
ot＝sigmoid(Woxt+Uoht-1+bo) (13)
式(13)中，Wo和Uo分别表示输出门的输入值xt和隐藏状态值ht-1在输出时的权重矩阵，bo表示输出门的偏差向量；
利用式(14)得到第t个时间步长的隐藏状态值ht：
在本实施例中，所采集到的故障种类A为4类，所采集到的数据的时间步长T为164，将数据在时域上分解为K＝4维，在频域上分解为J＝8维，在状态上分解为D＝32维，选取Morlet小波的中心频率w为8Hz。
步骤6、构建多层时频记忆递归神经网络；
多层时频记忆递归神经网络的层级结构图如图2所示，包括时频记忆递归层、节点丢弃层和全连接层；
步骤7、将训练集合T2输入多层时频记忆递归神经网络进行训练，得到训练好的初期故障识别模型，从而以初期故障识别模型对测试集合T1进行故障识别。
Claims (1)
1.一种基于时频记忆递归神经网络的主动配电系统初期故障识别方法，其特征是按如下步骤进行：
步骤1、采集三相电流和三相电压数据；
步骤2、对采集到的三相电流和三相电压数据进行预处理，包括数据增强和归一化处理；
步骤3、对所述预处理后的三相电流和三相电压数据进行分类，分为故障数据集合FF和正常数据集合F，所述故障数据集合FF中包含A类故障数据，1≤a≤A；
步骤4、对所述故障数据集合FF和正常数据集合F进行人工标注，获得带有标签的数据集合，将带有标签的数据集合内数据打乱顺序后，分为测试集合T1和训练集合T2；
步骤5、构建时频记忆递归层的核心结构；
所述核心结构包含时域遗忘门、频域遗忘门、状态遗忘门、输入门和输出门；并利用式(1)-式(3)构建所述时域遗忘门、频域遗忘门、状态遗忘门：
式(1)-式(3)中，ft tim表示第t个时间步长的时域遗忘门的输出；ft fre第t个时间步长的频域遗忘门的输出；ft ste表示第t个时间步长的状态遗忘门的输出；sigmoid(·)表示将变量映射到0和1之间的激活函数；xt表示第t个时间步长的输入值；ht-1表示第t-1个时间步长的隐藏状态值；Wtim和Utim分别表示输入值xt和隐藏状态值ht-1在时域上的权重矩阵，btim表示时域上的偏差向量，
表示J维的实数向量，Wfre和Ufre分别表示输入值xt和隐藏状态值ht-1在频域上的权重矩阵，bfre表示频域上的偏差向量，
表示K维的实数向量，Wste和Uste分别表示输入值xt和隐藏状态值ht-1在状态上的权重矩阵，bste表示状态上的偏差向量，
表示D维的实数向量，1≤t≤T；T表示总的时间步长；当t＝1时，隐藏状态值ht-1为零；
利用式(4)得到第t个时间步长三个遗忘门的输出集合Ft：
式(4)中，
表示外积运算；
利用式(5)-式(7)构建所述输入门：
pt＝sigmoid(Wpxt+Upht-1+bp) (5)
gt＝tanh(Wgxt+Ught-1+bg) (6)
式(5)-式(7)中，pt表示所述输入门在第t个时间步长的输入信息；gt表示所述输入门在第t个时间步长的调制信息：
为所述输入门在第t个时间步长的输出；Wp和Up分别表示所述输入门的输入值xt和隐藏状态值ht-1在输入时的权重矩阵，bp表示所述输入的偏差向量；Wg和Ug分别表示所述输入门的输入值xt和隐藏状态值ht-1在调制时的权重矩阵，bg表示调制的偏差向量；
表示逐元素相乘运算；tanh(·)表示将小于0的变量变成0，大于0的变量保持不变的激活函数；
利用式(8)-式(13)构建所述输入门和输出门：
利用式(8)所示的Morlet小波变换来对所述输入门的输出
进行时频域分解，得到第t个时间步长的输出在第j级时域、第k级频域上的小波系数wtj,k：
式(8)中，i表示虚数单位，w表示Morlet小波的中心频率，exp(·)表示指数运算；
利用式(9)得到第t个时间步长的内存状态St：
式(9)中，St-1表示第t-1个时间步长的内存状态；当t＝1时，St-1为零；
表示D×J×K维实数矩阵；
利用式(10)得到第t个时间步长的内存状态St的幅值At：
式(10)中，Re和Im分别表示取实部和取虚部的函数；
利用式(11)得到第t个时间步长的细胞状态ct：
式(11)中，Wt j,k表示第t个时间步长在第j级时域、第k级频域上细胞状态的权重矩阵，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的幅值，
表示第t个时间步长在第j级时域、第k级频域上细胞状态的偏差向量；J表示时域的总级数，K表示频域的总级数；
利用式(12)得到第t个时间步长的输入信息在输出门中的输出ot：
ot＝sigmoid(Woxt+Uoht-1+bo) (12)
式(12)中，Wo和Uo分别表示输出门的输入值xt和隐藏状态值ht-1在输出时的权重矩阵，bo表示输出门的偏差向量；
利用式(13)得到第t个时间步长的隐藏状态值ht：
步骤6、构建多层时频记忆递归神经网络；
所述多层时频记忆递归神经网络包括：时频记忆递归层、节点丢弃层和全连接层；
步骤7、将训练集合T2输入所述多层时频记忆递归神经网络进行训练，得到训练好的初期故障识别模型，从而以所述初期故障识别模型对所述测试集合T1进行故障识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110395954.7A CN113112039B (zh) | 2021-04-13 | 2021-04-13 | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110395954.7A CN113112039B (zh) | 2021-04-13 | 2021-04-13 | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112039A CN113112039A (zh) | 2021-07-13 |
| CN113112039B true CN113112039B (zh) | 2022-11-25 |
Family
ID=76716440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110395954.7A Active CN113112039B (zh) | 2021-04-13 | 2021-04-13 | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112039B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781458B (zh) * | 2022-05-05 | 2024-02-20 | 合肥工业大学 | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 |
| CN117353455B (zh) * | 2023-10-17 | 2024-03-29 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电系统监管方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110610419A (zh) * | 2019-05-17 | 2019-12-24 | 山东财经大学 | 一种基于小波变换与长短期记忆神经网络融合的股票价格预测方法及装置 |
| KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
| CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
-
2021
- 2021-04-13 CN CN202110395954.7A patent/CN113112039B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
| CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
| KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110610419A (zh) * | 2019-05-17 | 2019-12-24 | 山东财经大学 | 一种基于小波变换与长短期记忆神经网络融合的股票价格预测方法及装置 |
| CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Bayesian Long Short-Term Memory Model for Fault Early Warning of Nuclear Power Turbine;Liu, Gaojun等;《IEEE ACCESS》;20200421;第8卷;全文 * |
| 基于AE和GRU神经网络的电缆早期故障检测和识别方法;徐子弘等;《广东电力》;20200925(第09期);全文 * |
| 基于小波分解和长短期记忆网络的变压器油中溶解气体浓度预测;王兴等;《电工技术》;20200510(第09期);全文 * |
| 基于神经网络的轴承故障诊断研究及其系统实现;谭雯雯;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210215(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112039A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
| CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
| WO2017128455A1 (zh) | 一种基于广义多核支持向量机的模拟电路故障诊断方法 | |
| CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
| CN113112039B (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
| CN111256965B (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
| CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
| CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
| CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
| CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
| CN114781458B (zh) | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN110458071B (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
| CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| Zhang et al. | MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes | |
| Wang et al. | Wavelet‐Based Feature Extraction in Fault Diagnosis for Biquad High‐Pass Filter Circuit | |
| CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
| CN112712106B (zh) | 基于多视图对抗自编码器的机械设备健康状态识别方法 | |
| Mosin | An approach to construction the neuromorphic classifier for analog fault testing and diagnosis | |
| CN117521519A (zh) | 深度学习下的风电机组齿轮箱剩余寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |